[MICCAI2019] Multi Scale Curriculum CNN for Context-Aware Breast MRI Malignancy Classification

作者信息
Christoph Haarburger，RWTH Aachen University, Germany
MICCAI2019 ORAL
乳房腫瘤惡性良性二分類，一般方法需要先做腫瘤定位（目標檢測），再聯合提取的腫瘤部位patch做分類，但該方法會丟失影像全局信息。作者提出的方法，利用了curriculum learning ，考慮了全局信息，不需要分割label。

---

curriculum learning

顧名思義，人類學習新知識的方式是先學習簡單概念，再學習複雜概念。類比之，curriculum learning即讓網絡先進行簡單任務學習，學習到相應參數後，再進行更復雜任務學習。好處是降低訓練難度，比較簡單的網絡也能進行復雜任務的推斷。

Methods

具體到本文，分爲兩階段，第一階段，網絡輸入小的patch來訓練分類；第二階段，網絡輸入整個數據來訓練分類。第一階段作爲一個過渡，讓整個網絡訓練中參數學習能更容易些。

數據

本文收集了408個病人胸部影像，單乳房影像大小爲256X256X32，第一階段輸入64x64x4，第二階段輸入全圖。

結果

通過curriculum learning ， 將resnet18 的分類結果提升到了 SOA。

• 與核心方法無關的可視化分析
  

我的筆記

1、才疏學淺，沒察覺出這篇文章的意義（證明了curriculum learning 的有效性 ？）。沒有oral的價值
2、這種方法在比賽中都用爛了。
3、作者一直強調不需要用分割map，但faster rcnn不需要分割map也能做。
4、作者強調別的方法沒有全局信息，但之前有工作在提取完疑似腫瘤patch後會將原圖再輸入到分類網絡。
5、跑一些公共數據集？